An (m,k)-firm Elevation Policy for Weakly Hard Real-Time in Converged 5G-TSN Networks
University of Stuttgart(斯图加特大学)
针对5G-TSN网络调度依赖理想延迟模型的问题,提出(m,k)-稳固提升策略,通过动态优先级驱动方案增强主调度,提升经历意外延迟帧的优先级,评估显示其能提高容错及维持控制质量,是稳健轻量的后备机制。
2026-07-17 cs.NI
A Practical AI-Driven Strategy for Cell On/Off Switching under Adaptable QoS Constraints
UPC(巴塞罗那理工大学);i2CAT Foundation(i2CAT基金会)
提出一种基于LSTM的基站开关策略,利用欧洲移动网络运营商数据集训练,通过推理时调整决策阈值适应不同QoS需求,在满足运营商约束的同时实现63-96%的基准节能。
2026-06-03 cs.NI
Class-Based Interference Management in Wireless Networks
技术进步给融合无线网络带来了革命性的变化。由于不同类型业务的存在,服务质量(QoS)的提供成为无线网络中的挑战。在网络拥塞的情况下,资源分配已经成为为过多的用户提供期望的QoS的有效方式。由于非实时业务的QoS不像实时业务那样严格,所以相邻小区的未占用信道可以被分配给非实时业务以保持实时业务的QoS。这导致了增强的带宽利用率以及对实时业务的较少干扰。在本文中,我们提出了一个有效的无线资源管理方案,依赖于动态分配的带宽分配过程。在干扰管理的情况下,我们将业务分为实时业务和非实时业务,并优先考虑实时业务。根据我们的方案,实时业务中的过多的用户被重新分配到原来的信道已被占用的非实时业务和非实时业务分配到这些实时业务的分配信道。该架构允许改进的信号与干扰加噪声比(SINR)的实时流量,以及在网络的带宽利用率的强化。此外,增加系统容量和网络的中断概率较低承担所提出的方案的意义。
2018-10-05 cs.NI
Data-driven Bandwidth Adaptation for Radio Access Network Slices
针对多切片QoS保障及数据包延迟问题,提出基于强化学习的带宽需求估计器,在蜂窝测试平台实验中实现期望QoS且显著节省带宽。
2024-04-28 cs.NI
Reinforcement Learning based QoS/QoE-aware Service Function Chaining in Software-Driven 5G Slices
Southwest Minzu University(西南民族大学);UESTC(电子科技大学);Temple University(天普大学);University of Idaho(爱达荷大学)
随着将连接到5G网络的设备和应用的多样性不断增长,灵活敏捷的服务编排以及满足最终用户功能和QoS要求的公认QoE是必要的。SDN(软件定义网络)和NFV(网络功能虚拟化)被认为是5G核心网络的关键使能技术。在这方面,本文提出了一种基于强化学习的QoS/QoE感知服务功能链(SFC),在SDN/NFV使能的5G切片。首先,它实现了一个轻量级的QoS信息收集器的基础上LLDP,它的工作方式在SDN控制器的南向接口上的捎带,使QoS感知。然后,设计了一个基于DQN(Deep Q Network)的Agent框架来支持NFV环境下的SFC。代理考虑QoE和QoS作为制定奖励的关键方面,使得期望在尊重QoS约束的同时最大化QoE。实验结果表明,该框架在动态网络环境下,具有良好的QoE提供和QoS需求维护SFC的性能。
2018-04-06 cs.AI cs.NI
RSLAQ -- A Robust SLA-driven 6G O-RAN QoS xApp using deep reinforcement learning
Queen’s University Belfast(贝尔法斯特女王大学)
RSLAQ通过深度强化学习整合SLAs,实现6G O-RAN中QoS管理的鲁棒性和资源优化。
2025-04-12 cs.NI
Cross Layer Adaptation for QoS in WSN
本文提出了一种无线传感器网络QoS感知的MAC协议,并将其跨层扩展到网络层,为时延敏感的无线传感器网络提供QoS服务。在无线传感器网络中,可以有两种类型的流量,一种是事件驱动的流量,需要立即注意,另一种是定期报告。事件驱动流量被分类为I类(延迟敏感)流量,定期报告被分类为II类(尽力而为)流量。MAC层自适应可以按照以下方式发生:(i)按类别动态竞争窗口调整,(ii)通过基于类别I业务的利用率和DSS延迟动态调整占空比来减少通信节点的睡眠调度(DSS)的差异所遭受的延迟,(iii)按类别不同的DIFS(DCF帧间间隔),(iv)同时调整以上提出的所有三种方案。跨层扩展也被提出,其中MAC层使用网络层的下一跳信息更好地适应基于DSS延迟的占空比。路由协议可以使用MAC层参数DSS延迟来选择提供最小DSS延迟延迟的路由,从而最小化总的端到端延迟。
2011-10-07 cs.NI
An Implementation of Voice over the Cognitive Packet Network
IP语音(VOIP)具有严格的服务质量(QoS)约束,并要求数据包的实时传输,这对IP网络提出了重大挑战。认知分组网络(CPN)是一种基于在线感知和测量的自适应路由协议,它可以满足面向用户的QoS需求。本文介绍了我们的设计,实施和评估的“语音CPN”系统的扩展的CPN路由算法已经开发,以支持语音分组传输的需要,在存在其他背景业务流具有相同或不同的QoS要求。
2014-06-05 cs.NI
Performance Optimization in RSMA-assisted Uplink xURLLC IIoT Networks with Statistical QoS Provisioning
针对工业5.0关键任务场景,提出RSMA辅助上行xURLLC IIoT网络,利用随机网络演算建立统计QoS保障框架,优化短包大小和发射功率,相比NOMA和OMA获得显著性能提升。
2024-05-26 cs.NI
Model-based Deep Learning for QoS-Aware Rate-Splitting Multiple Access Wireless Systems
本文提出一种模型驱动的深度展开算法,用于QoS感知的速率分割多址系统资源分配,结合分数规划和投影梯度下降,实现低违规率、高鲁棒性及小样本高效训练。
2024-11-05 cs.NI
Proactive and Resilient UAV Orchestration for QoS Driven Connectivity and Coverage of Ground Users
无人机(UAV)正被成功用于在诸如在偏远地区、紧急情况下扩展5G蜂窝网络的覆盖范围以及提高用户人口密集地区的服务质量等应用中提供通信服务。虽然在文献中已经提出了用于确保用户的服务质量(QoS)的优化放置解决方案,但是它们在高度移动、自主和多样化的网络场景中可能不是理想的。本文提出了一种主动和弹性的框架,用于无人机小小区的分布式和动态编排,以在网络中提供QoS差异化。UAV位置根据最终用户位置和服务需求定制,同时确保UAV保持本地化回程连接。仿真实验表明,在物理布局能够实现服务差异化的场景下,所提出的框架能够使无人机的稳定配置满足90%以上的用户QoS需求。
2022-09-09 cs.NI cs.SY eess.SY
MicroOpt: Model-driven Slice Resource Optimization in 5G and Beyond Networks
提出MicroOpt框架,利用可微神经网络模型与梯度下降优化5G网络切片资源分配,并通过拉格朗日分解满足QoS约束,相比现有方法资源分配提升达21.9%。
2024-07-25 cs.NI
Sinan: Data-Driven, QoS-Aware Cluster Management for Microservices
Cornell University(康奈尔大学)
云应用程序越来越多地从大型单体服务转向大量松散耦合的专用微服务。尽管微服务在促进开发、部署、模块化和隔离方面具有优势,但它们之间的依赖关系会引入背压效应和级联QoS违规,从而使资源管理复杂化。我们介绍了Sinan,一个数据驱动的集群管理器,用于在线和QoS感知的交互式云微服务。Sinan利用一组可扩展且经过验证的机器学习模型来确定微服务之间依赖关系的性能影响,并以保持端到端尾部延迟目标的方式为每个层分配适当的资源。我们评估了Sinan在专用本地集群和Google Compute Engine(GCE)上的大规模部署,这些部署涉及使用微服务构建的代表性端到端应用程序,例如社交网络和酒店预订网站。我们表明,思南总是满足QoS,同时还保持集群利用率高,在以前的工作,导致不可预测的性能或牺牲资源效率。此外,Sinan中的技术是可以解释的,这意味着云运营商可以从ML模型中获得关于如何更好地部署和设计其应用程序以降低不可预测性能的见解。
2021-05-27 cs.DC cs.LG cs.NI
Architecture and Performance Models for QoS-Driven Effective Peering of Content Delivery Networks
现有内容分发网络(CDN)的专有性质意味着它们是封闭的并且不会自然合作。CDN预计将通过全球覆盖提供高性能的互联网内容交付,这可能会成为新CDN提供商的障碍,并影响现有CDN提供商的商业可行性。为不同的CDN找到与其他CDN协调和合作的方法对于以较低的成本实现最终用户所感知的更好的整体服务是必要的。在本文中,我们提出了一个架构,以支持CDN之间的对等安排,基于虚拟组织(VO)模型。我们的方法促进提供商之间的对等,同时维护用户感知的性能。这是通过对等方之间协商的服务级别协议(SLA)的适当策略管理来实现的。我们还提出了一个服务质量(QoS)驱动的对等CDN的性能建模方法,以预测用户感知的性能。我们发现,CDN之间的对等维护用户感知的性能,满足目标QoS。本文提出的方法为CDN提供了一种根据不同的请求重定向策略将用户请求动态分发到其他对等体的方法。基于模型的方法通过将过多的请求卸载到对等体来帮助过载的CDN返回到正常状态。它还有助于为CDN提供商提供具体的QoS保证。我们的方法努力实现CDN之间的可扩展性和资源共享,通过有效的对等在用户透明的方式,从而发展过去的非合作和不同的CDN存在的当前景观。
2009-07-28 cs.DC cs.NI
STR-Agent: An LLM-Driven Agent for QoS-Aware Routing in LEO Satellite Networks
Beijing University of Posts and Telecommunications(北京邮电大学)
针对LEO卫星网络QoS路由难以处理自然语言服务请求的问题,提出LLM驱动的STR-Agent框架,通过意图感知、工具执行、经验积累和反思自适应统一架构,显著降低延迟并提升意图理解准确率。
2026-09-18 cs.AI cs.NI
A Digital Twin Platform for QoS Optimization Under DoS Attacks for Next Generation Radio Networks
School of Computing, Engineering and The Built Environment, Edinburgh Napier University(爱丁堡纳皮尔大学计算、工程与建成环境学院)
本文提出一种面向下一代无线网络的数字孪生平台,用于在DoS攻击下优化服务质量,通过AI分析关键参数提升网络性能。
2025-11-23 cs.NI
Beyond Per-Request QoS: Coordinating Industrial Workflows with B5G/6G Network Capabilities
Ruhr University Bochum(波鸿鲁尔大学);Fraunhofer Institute for Open Communication Systems (FOKUS)(弗劳恩霍夫开放通信系统研究所);Hangzhou International Innovation Institute, Beihang University(北京航空航天大学杭州国际创新学院)
本文提出一种能力感知协调框架,通过网络可持续支持的QoS配置与工业工作流相映射,提升服务连续性和负载下工作流完成率。
2026-06-22 cs.NI
QoS-Aware Service Restoration in 5G Optical Transport Networks
针对5G光传输网络中故障影响多服务的问题,提出FDSP算法,结合快速ILP模型与PLI感知路由频谱分配,优先恢复关键服务,降低阻塞概率。
2025-03-28 cs.NI
Unified and Distributed QoS-Driven Cell Association Algorithms in Heterogeneous Networks
针对多层异构网络(HetNet)下行链路中的小区关联问题,提出了一种新的小区关联算法。本文定义并处理了两个问题:具有长期速率服务质量(QoS)约束的长期速率最大化和效用问题,以及具有中断QoS约束的全局中断概率最小化问题。第一个问题非常适合于低移动性环境,而第二个问题提供了一个框架来处理具有快速衰落的环境。本文中定义的优化问题分两个阶段解决:小区关联阶段,然后是可选的RB分配阶段。我们表明,这两个问题的细胞协会阶段具有相同的结构。基于这种相似性,我们提出了一个统一的分布式算法与低层次的消息传递到小区关联阶段。该分布式算法通过放松关联约束和拉格朗日对偶分解方法得到。在RB分配阶段,在小区关联阶段之后的剩余RB在用户之间分配。仿真结果表明,我们的分布式小区关联方案相比,基于最大信号干扰噪声比(SINR)的计划的优越性。
2014-05-11 cs.IT cs.NI math.IT
DSROQ: Dynamic Scheduling and Routing for QoE Management in LEO Satellite Networks
针对LEO卫星网络的QoS保障,本文提出DSROQ,联合MCTS启发的路由带宽分配与Lyapunov调度,在Starlink场景下提升用户体验与公平性。
2025-08-28 cs.NI
AI-Driven Multi-Agent Vehicular Planning for Battery Efficiency and QoS in 6G Smart Cities
School of Computing, Newcastle University(计算学院,新萨克勒大学);Computer Science Department, University of Hafr Albatin(计算机科学系,哈夫阿尔巴丁大学)
本文扩展SimulatorOrchestrator,引入AI驱动的多智能体车辆规划与期望区域机制,在真实城市数据上验证其相比传统路径算法可提升电池效率、服务质量和救护车调度能力。
2025-09-18 cs.AI cs.ET cs.NI
Quantifying the Energy-Saving and QoS Trade-Off in Traffic Offloading for Real 4G/5G Scenarios
i2CAT Foundation(i2CAT基金会);UPC(巴塞罗那理工大学)
基于真实5G NSA部署数据,提出数据驱动框架评估选择性关闭低利用率5G小区并将其流量卸载至4G小区时的节能与QoS权衡。
2026-06-04 cs.NI
Improving QoS Prediction in Urban V2X Networks by Leveraging Data from Leading Vehicles and Historical Trends
本文利用柏林V2X数据集,通过融合前导车辆特征和探索性数据分析,训练多种机器学习模型预测城市下行吞吐量,显著提升预测性能且效果与模型无关。
2025-04-23 cs.NI
RIDAS: A Multi-Agent Framework for AI-RAN with Representation- and Intention-Driven Agents
Beijing University of Posts and Telecommunications(北京邮电大学);China Telecom Digital Technology Co., Ltd.(中国电信数字科技有限公司)
RIDAS提出表示驱动与意图驱动相结合的多智能体框架,利用LLM两阶段规划将用户意图映射为最优RAN配置,在同等QoS下比WirelessAgent多支持36.47%的用户。
2025-09-22 cs.NI
Data Driven SMART Intercontinental Overlay Networks
本文讨论了使用大数据和基于机器学习的分析,以实时管理互联网规模的服务质量路由优化的帮助下,覆盖网络。基于收集大量的数据采样每$2$分钟在大量的源-目的地对,我们表明,洲际互联网协议(IP)的路径是远离最佳的服务质量(QoS)的指标,如端到端的往返延迟。因此,我们开发了一种基于机器学习的方案,该方案利用从多跳覆盖网络中的通信节点对收集的大规模数据,该覆盖网络在覆盖节点本身之间使用IP,以选择提供比IP更好的QoS的路径。该方法的灵感来自认知分组网络协议,使用随机神经网络与强化学习的基础上收集的大量数据,以选择中间覆盖跳,从而产生显着更好的QoS比IP本身。路由方案在$20$节点洲际覆盖网络上示出,该网络每周收集接近$2\times 10^6$的测量,并做出可扩展的分布式路由决策.实验结果表明,该方法可以有效地提高服务质量,具有可扩展性。
2015-12-28 cs.DC cs.NI
Performance Modeling and Evaluation for Information-Driven Networks
信息驱动的网络包括大类别的联网系统,其中网络节点知道所递送的信息,并且因此不仅可以转发数据分组,而且还可以执行信息处理。在许多情况下,在信息驱动的网络中的服务质量(QoS)被提供有信息冗余。传统的性能模型一般采用适合于面向分组的业务保证的评价指标,如分组时延、吞吐量、丢包率等。然而,这些业绩衡量标准与信息驱动网络的实际需要并不相符。信息驱动的网络的新的性能测量和模型,尽管它们的重要性,主要是空白,主要是因为信息处理是明显的应用程序依赖,不能很容易地在一个通用的框架内捕获。为了填补这一空缺,我们提出了一个新的性能评估框架,特别是针对信息驱动的网络,基于最近发展的随机网络演算。我们分析了QoS方面的信息传递和研究调度问题的新的性能指标。我们的分析框架可以用来计算网络容量的信息传递,并在同一时间,以帮助传输调度的一个大的机构的系统,QoS是随机保证的冗余信息。
2008-11-22 cs.NI cs.PF
TG-DIN: Theory-Guided Demand Inference Network for Generalizable QoS Prediction
University of Wisconsin-Madison(威斯康星大学麦迪逊分校)
TG-DIN通过理论指导推断用户需求,结合调度和队列原理,实现可泛化服务质量测量与预测,优于纯数据驱动方法。
2026-10-04 cs.NI
Fair AI-STA for Legacy Wi-Fi: Enhancing Sensing and Power Management with Deep Q-Learning
针对传统Wi-Fi中CSMA/CA公平性挑战,提出基于深度Q学习的AI-STA动态调整接收灵敏度和发射功率,仿真验证其在公平性和QoS上优于传统站点,并具优化潜力。
2025-01-20 cs.NI
Generative AI-driven Semantic Communication Framework for NextG Wireless Network
针对下一代无线网络高带宽、高延迟问题,提出生成式AI驱动的语义通信框架,利用MSAM提取语义信息与GAN重建去噪,在6G ITS场景中实现93.45%数据减少。
2023-10-13 cs.NI
Kairos: Energy-Efficient Radio Unit Control for O-RAN via Advanced Sleep Modes
Kairos通过联合ASM选择与无线电调度策略,在xApp中利用数据驱动算法优化,实现实时节能,在满足QoS下降低15%-72%能耗。
2025-01-27 cs.NI
Statistical QoS Provision in Business-Centric Networks
CAS Key Laboratory of Wireless-Optical Communications, University of Science and Technology of China(中国科学技术大学无线光通信重点实验室)
本文提出业务中心网络(BCN)及深度强化学习框架COHA-ES,通过跨层联合优化功率、带宽与拓扑,实现统计QoS保障并提升频谱与能量效率。
2025-08-05 cs.LG cs.NI
Quality-Driven Energy-Efficient Big Data Aggregation in WBANs
School of Computing, University of Utah(犹他大学计算机学院);FPT University(富国大学)
在物联网(IoT)时代,无线体域网(WBAN)的发展及其在大数据基础设施中的应用得到了医学研究界的广泛关注。由于传感器节点是需要异构服务质量(QoS)的低功耗设备,因此管理大量医疗数据在WBAN中至关重要。因此,有效地聚合大量的医疗数据是重要的。在这种情况下,我们提出了一个质量驱动和节能的大数据聚合方法,云辅助WBAN。对于BAN内(阶段I)和BAN间(阶段II)通信,聚合方法是成本有效的。大量的仿真结果表明,所提出的方法DEBA大大提高了网络效率的聚合延迟和成本相比,现有的计划。
2022-06-12 cs.DC cs.NI
Revolutionizing QoE-Driven Network Management with Digital Agents in 6G
该研究面向6G网络提出数字智能体辅助的QoE驱动网络管理框架,定义新型QoE指标,设计两级数字智能体架构并给出三类潜在方案,案例验证其相较基准方案可有效提升用户体验质量。
2025-02-21 cs.NI
QoS and Jamming-Aware Wireless Networking Using Deep Reinforcement Learning
Intelligent Automation Inc.(智能自动化公司);U.S. Army C5ISR(美国陆军C5ISR);University of Minnesota(明尼苏达大学);The Pennsylvania State University(宾夕法尼亚州立大学)
研究了在受到外部窃听和干扰攻击的对抗性无线网络中的服务质量和干扰感知通信问题。为了确保强大的通信对干扰,干扰感知路由协议的开发,使节点能够避免通信孔的干扰攻击。然后,提出了一种基于深度强化学习的分布式协作框架,该框架允许节点评估网络状况,并就是否参与数据通信、保护网络免受干扰和窃听攻击或干扰其他传输做出深度学习驱动的分布式实时决策。其目标是最大限度地提高网络性能,包括吞吐量,能源效率,延迟和安全指标。仿真结果表明,所提出的干扰感知路由方法对干扰是鲁棒的,并且当吞吐量被优先考虑时,所提出的深度强化学习方法可以实现吞吐量的显着(测量为三倍)增加,与具有分配给节点的固定角色的基准策略相比。
2019-10-13 cs.LG cs.NI
Statistical QoS Provisioning Architecture for 6G Satellite-Terrestrial Integrated Networks
本文针对6G星地一体化网络中mURLLC服务的严格QoS需求,在有限块长机制下提出统计QoS保障方案,构建融合AoI、时延和可靠性的新型统计QoS度量,并通过仿真验证其有效性。
2024-06-07 cs.NI cs.SY eess.SY
An Energy-driven Network Function Virtualization for Multi-domain Software Defined Networks
软件定义网络(SDN)中的网络功能虚拟化(NFV)作为一种新技术出现,用于创建虚拟实例,以顺利执行多个应用程序。它们的融合提供了灵活的和可编程的平台,以利用网络资源为各种应用提供服务质量(QoS)。在支持SDN的NFV设置中,底层网络服务可以被视为一系列虚拟网络功能(VNF),并且它们在物理/虚拟节点上的最佳部署被认为是一项具有挑战性的任务。然而,SDN在最近的时代已经从单域发展到多域设置。因此,多域设置中的底层VNF部署问题的复杂性已经成倍增加。此外,关于跨多个SDN域的VNF的最佳映射,能量利用方面相对未被探索。因此,在这项工作中,已经解决了多域SDN设置中的VNF部署问题,主要强调减少部署具有保证的QoS的最大数量的VNF的总体能耗。首先将问题转化为一个多目标优化问题,并利用线性规划(ILP)求解。然而,制定的ILP变得复杂,解决越来越多的决策变量和约束条件的网络规模的增加。因此,我们利用流行的进化优化算法的好处来解决所考虑的问题。为了推导出最合适的进化优化算法来解决所考虑的问题,它是受到广泛使用的MOEA框架(基于多目标进化算法的开源Java框架)的进化算法的不同变种。
2019-03-24 cs.NI
Enhancing SDVN Performance via Policy-Driven Lightweight Control-Plane Resizing Strategies
Centre for Wireless Communications, University of Oulu(奥卢大学无线通信中心)
针对SDVN中控制平面过载导致QoS下降的问题,提出两种轻量级控制平面调整机制,在Mininet-WiFi上验证,显著降低延迟和丢包并提升负载均衡。
2026-09-15 cs.NI cs.SY eess.SY
Mandate-driven Networking Eco-system: A Paradigm Shift in End-to-End Communications
无线行业由主要利益相关者推动,他们遵循“一个系统适合所有人”的整体方法,将满足严格E2E通信要求的网络功能转移到核心和云基础设施。这一趋势限制了小型和新的参与者带来新的和新颖的解决方案。为了满足这些E2E需求,租户和最终用户需要成为积极的参与者,带来他们的需求和创新。不仅在QoS方面而且在来自一个特定社区的总体碳足迹和频谱效率方面驱动E2E通信可能导致不期望的简化,并且其他网段的更高抽象级别可能导致次优操作。在此基础上,本文提出了一种范式转变,将扩大无线创新在学术界、中小企业、工业和初创企业中的作用,同时考虑到E2E通信中分散的任务驱动智能
2020-03-06 cs.NI
Distributed Policy Learning Based Random Access for Diversified QoS Requirements
Shanghai Institute for Advanced Communication and Data Science, Shanghai University(上海大学先进通信与数据科学研究院);Beijing National Research Center for Information Science and Technology, Tsinghua University(清华大学北京信息科学与技术国家研究中心)
未来的无线接入网络需要支持各种类型的物联网(IoT)设备所需的多样化的服务质量(QoS)度量,用于状态生成源的信息年龄(AoI)和用于车辆网络中的安全信息的超低延迟。提出了一种基于分布式策略学习,特别是交叉熵方法的内部状态驱动随机访问(ISDA)框架。传统的随机接入方案,例如,$p$ -CSMA,假定无状态终端,并因此向所有终端分配相等的优先级。在ISDA中,终端的内部状态由时变状态向量描述,并且终端在竞争时段中的传输概率由它们各自的内部状态确定。利用神经网络逼近从内部状态到传输概率的函数映射,并采用迭代方法分布式地改进这些映射.实验结果表明,ISDA可以同时提高异构终端的QoS比传统的CSMA方案。
2019-03-06 cs.IT cs.LG cs.NI
ORCA: Enabling an Owner-centric and Data-driven Management Paradigm for Future Heterogeneous Edge-IoT Systems
将物联网(IoT)和边缘计算集成为“边缘物联网”系统,融合机器智能,具有在灵巧家庭、工厂和城市中实现广泛应用的潜力。边缘物联网可以连接许多不同的设备,物联网资产所有者可以运行由各种供应商或服务提供商(SP)支持的异构物联网系统,使用云或本地边缘计算(或两者)进行资源辅助。现有的方法通常将系统作为单独的垂直“筒仓”进行管理,或者以供应商/SP为中心的方式进行管理,这面临重大挑战。在本文中,我们提出了一种新的以所有者为中心的管理范式,名为“ORCA”,以解决以所有者为中心的范式留下的差距,并使物联网资产所有者能够有效地识别和缓解其自身网络场所中的潜在问题,无论供应商/SP的情况如何。ORCA旨在通过面向行为和数据驱动的方法,帮助物联网所有者进行智能管理。ORCA是一个正在进行的项目,初步结果表明,它可以显著增强物联网系统所有者更好地管理其物联网资产的能力。
2021-02-06 cs.NI
xApp-Level Conflict Mitigation in O-RAN, a Mobility Driven Energy Saving Case
针对O-RAN中xApp间冲突问题,提出直接、间接和隐式冲突的理论框架,利用冲突图分析KPI影响,并基于SLA/QoS阈值检测,在MRO与ES xApp模拟环境中评估多种缓解策略,为高效冲突管理提供见解。
2025-02-27 cs.NI
INA-Infra: An Open and Extensible Infrastructure for Intent-driven Network Automation Research
本文提出了INA-Infra,一个基于O-RAN架构、开源组件和Nephio的开放可扩展端到端5G网络基础设施,通过rApp和xApp实现意图驱动的智能控制与网络切片,使运营商能高度自动化地管理网络并专注于指定流量意图。
2024-10-13 cs.NI
Big-data-driven and AI-based framework to enable personalization in wireless networks
Carleton University(卡尔顿大学)
针对无线网络“普遍适用”设计导致效率受限的问题,提出融合AI、大数据分析与实时非侵入式反馈的个性化框架,并通过原型案例验证其可同时优化QoS、满意度与资源收益。
2023-06-08 cs.AI cs.NI
A Content Driven Resource Allocation Scheme for Video Transmission in Vehicular Networks
随着计算机视觉应用的日益广泛,大量的视频被传输用于内容分析,资源分配方式会影响视频内容分析的性能。为此目的,用于车辆网络中的视频传输的传统资源分配方案(诸如基于服务质量(QoS)或基于体验质量(QoE)的方案)不再是最优的。在本文中,我们提出了一个有效的内容驱动的资源分配计划,车辆配备摄像头的带宽限制,以提高视频内容分析的性能。所提出的资源分配方案是基于最大化的内容质量(QoC),这是相关的内容分析性能。首先提出了一种基于QoC的评价模型。然后,将资源分配问题转化为可解的凸优化问题。最后,仿真结果表明,我们提出的方案比现有的计划,如QoE的计划更好的性能。
2020-09-28 cs.NI eess.IV
Towards a Connected Heterogeneous All-Medium Integrated Network (CHAIN) for Converged Connectivity Across Land, Sea, Air, and Space
Institute of Photonics, University of Nottingham(诺丁汉大学光子学研究所);Aston Institute of Photonic Technologies, Aston University(阿斯顿大学阿斯顿光子技术研究所)
本文提出CHAIN框架,将水下、海事、陆地、空中和空间视为单一设计空间,以全光子骨干网和AI编排实现跨介质融合,并识别五个核心开放问题及研究路线图。
2026-09-15 cs.NI eess.SP
Coordinated Spectrum Coexistence Across Heterogeneous Commercial and Federal Services
Institute for Intelligent Networked Systems, Northeastern University(智能网络系统研究所,东北大学)
本文针对异构商用与联邦服务的频谱共存问题,提出统一框架及混合整数非线性规划求解方法,经BostonTwin仿真验证,可在满足感知与定位QoS的同时提升蜂窝性能,为下一代军民网络提供可行方案。
2026-08-11 cs.NI cs.SY eess.SY
Generation of Realistic Cloud Access Times for Mobile Application Testing using Transfer Learning
Technische Universität Berlin(柏林工业大学);R3 Reliable Realtime Radio(R3可靠实时无线电公司)
网络服务质量(QoS)度量(诸如接入时间、带宽和分组丢失)在确定移动应用的体验质量(QoE)中起重要作用。像无线电资源控制(RRC)状态、移动网络运营商(MNO)特定的重传配置、由用户移动性触发的重传、网络负载等的各种因素可能导致4G/LTE和WiFi网络上的这些QoS度量的高度可变性,这可能对应用QoE有害。因此,将移动应用暴露于现实的网络QoS指标对于尝试预测其QoE的测试人员来说至关重要。一种可行的方法是使用合成痕迹进行测试。生成真实合成轨迹的主要挑战是环境的多样性和缺乏大范围的真实轨迹来校准生成器。在本文中,我们描述了一种基于迁移学习和长短期记忆(LSTM)神经网络的测量驱动方法来解决这个问题。该方法需要一个相对较短的样本的目标环境,以适应新的环境中提出的基本模型,从而简化合成轨迹生成。我们提出了这个功能的现实的WiFi和LTE云访问时间模型,适用于不同的目标环境,在几十分钟内测量的跟踪大小只有6000个样本。我们证明了从这些模型生成的合成轨迹能够准确地再现应用QoE度量分布,包括其离群值。
2021-04-21 cs.LG cs.NI cs.SE
Reflection-Driven Self-Optimization 6G Agentic AI RAN via Simulation-in-the-Loop Workflows
National Engineering Research Center for Mobile Networking Technologies, Beijing University of Posts and Telecommunications(北京邮电大学移动通信国家重点实验室);Key Laboratory of Ethnic Language Intelligent Analysis and Security Governance of MOE, Minzu University of China(中央民族大学民族语言智能分析与安全治理教育部重点实验室)
本文提出基于回溯的自优化框架,整合智能代理AI与高保真网络仿真,实现自校正系统,提升干扰优化吞吐量17.1%,用户QoS满意度提升67%,低流量时段资源利用率降低25%。
2026-04-21 cs.MA cs.NI
Asynchronous Risk-Aware Multi-Agent Packet Routing for Ultra-Dense LEO Satellite Networks
The Interdisciplinary Centre for Security, Reliability and Trust (SnT), University of Luxembourg(安全、可靠性与信任跨学科研究中心(SnT),卢森堡大学);School of Computer Sciense and Cyber Engineering, Guangzhou University(计算机科学与网络工程学院,广州大学)
针对超密集LEO星座的异步网络环境,提出事件驱动的多智能体路由框架PRIMAL,通过原始-对偶方法管理最坏情况性能退化风险,在1584颗卫星仿真中使排队延迟降低超70%,有效优化延迟并平衡负载。
2025-10-31 cs.IT cs.LG cs.NI
Networking of Internet of UAVs: Challenges and Intelligent Approaches
无人机互联网(I-UAV)网络通过无人机之间的有效协作,可以快速、稳健、经济地完成传感和传输任务。为了实现有希望的好处,关键的I-UAV联网问题应该得到解决。本文认为,I-UAV网络可以分为三类,服务质量(QoS)驱动的网络,体验质量(QoE)驱动的网络和态势感知网络。每一类网络都提出了新的挑战,这些挑战对安全有效地完成I-UAV任务产生了严重影响。本文详细分析了这些挑战,并阐述了解决I-UAV联网问题的相应智能方法。此外,考虑到通过与高空平台(HAP)合作来扩展I-UAV网络的可扩展性的提升作用,本文概述了集成HAP和I-UAV网络,并提出了相应的组网挑战和智能方法。
2021-11-13 cs.AI cs.NI
Data-Driven Optimization of Multi-Generational Cellular Networks: A Performance Classification Framework for Strategic Infrastructure Management
本文提出一种性能分类框架,用于数据驱动的多代细胞网络优化,通过分析基站数据识别网络部署模式、利用情况及基础设施缺口,为运营商提供战略升级和资源优化的智能决策支持。
2026-02-16 cs.LG cs.NI
Data-driven Predictive Latency for 5G: A Theoretical and Experimental Analysis Using Network Measurements
University of Bologna(博洛尼亚大学);CNIT(意大利国家大学间电信联盟);TIM(意大利电信集团)
本研究针对5G网络时延预测需求,将用户面时延建模为亚指数分布并验证,结合贝叶斯学习、图机器学习开展预测相关实验,用多场景真实数据测试,为实际网络预测算法效能提供参考。
2023-08-31 cs.LG cs.NI
An Optimization Driven Link SINR Assurance in RIS-assisted Indoor Networks
Fraunhofer Institute for Telecommunications, Heinrich-Hertz-Institut(弗劳恩霍夫电信研究所海因里希赫兹研究所)
本文提出通过整数线性规划优化RIS分配,以提升毫米波室内网络中链路SINR性能,减少连接中断。
2024-12-28 cs.NI eess.SP
AI-RAN: Transforming RAN with AI-driven Computing Infrastructure
NVIDIA(英伟达)
本文提出将RAN与AI工作负载集成于同一基础设施的AI-RAN架构,划分其三类表现形式,明确融合需求与支撑技术,给出参考架构并通过GH200服务器验证可行性,指明未来发展方向。
2025-01-15 cs.AI cs.NI eess.SP